一種基于改進(jìn)布谷鳥算法的物流配送車輛路徑優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種物流配送車輛路徑優(yōu)化方法，具體涉及一種基于改進(jìn)布谷鳥算法 的物流配送車輛路徑優(yōu)化方法。
【背景技術(shù)】
[0002] 隨著現(xiàn)代經(jīng)濟(jì)和網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，物流產(chǎn)業(yè)已經(jīng)成為現(xiàn)代企業(yè)的"第三利潤 源泉"。2011年中國的物流總費用高達(dá)8. 5萬億元，占⑶P的17. 8%。在物流的各個環(huán)節(jié)中， 運輸配送成本占物流總成本的60%左右，過高的的物流成本，制約了國民經(jīng)濟(jì)的發(fā)展，同時 也削弱了企業(yè)的市場競爭力。物流配送車輛路徑優(yōu)化問題（VRP)，是物流配送優(yōu)化中最關(guān) 鍵的一個環(huán)節(jié)。而物流配送車輛路徑優(yōu)化問題是一個典型的NP-hard問題，由DantZig和 Ramser在1959年提出，主要研究物流車輛配送過程中如何實現(xiàn)在滿足客戶需求以及其它 約束條件(如：車輛最大載荷，車輛最大形成距離等）下使得車輛配送的成本最優(yōu)，如：路徑 最短，費用最少等目標(biāo)。該問題已經(jīng)成為運籌學(xué)以及組合優(yōu)化領(lǐng)域中的研究熱點問題。
[0003] 近年來，對物流車輛配送路徑問題的研究主要集中在采用各種啟發(fā)式算法來求 解。王鐵君等通過結(jié)合混沌的遍歷性和粒子群的快速性的優(yōu)點，提出了一種用于求解物流 配送路徑優(yōu)化問題的混沌粒子群優(yōu)化算法；官東等提出的改進(jìn)遺傳算法求解物流配送優(yōu)化 問題的方法，從而提供了一條解決與之相關(guān)優(yōu)化問題的有效途徑；鄔月春提出了將自適應(yīng) 變異粒子群算法應(yīng)用于物流配送路徑問題優(yōu)化的方法；王華東、李巍等提出一種粒子群算 法的物流配送路徑優(yōu)化方法。對物流配送優(yōu)化問題的研究都停留在遺傳算法、粒子群算法 以及蟻群算法等傳統(tǒng)智群算法在物流配送優(yōu)化問題的應(yīng)用。然而在求解物流配送車輛路徑 問題中，采用單一的算法往往易陷入局部最優(yōu)值，造成優(yōu)化精度低。布谷鳥算法由于采用的 是Levy搜尋方式，其實現(xiàn)簡單、需要設(shè)置參數(shù)少、尋優(yōu)精度和收斂速度上都要優(yōu)于粒子群 算法和遺傳算法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的問題是采用一種基于改進(jìn)布谷鳥算法實現(xiàn)物流配送車輛路徑 優(yōu)化問題的方法。其技術(shù)方案為： 一種基于布谷鳥算法的改進(jìn)物流配送車輛路徑問題的求解方法，包括下述步驟： 步驟1 :設(shè)置算法的參數(shù)，設(shè)置種群規(guī)模Size，服務(wù)客戶的數(shù)量nd，當(dāng)前求解問題所需 車輛數(shù)carnumber,設(shè)置車的載荷CarrayCarCan，寄生巢中鳥蛋的發(fā)現(xiàn)概率，算法搜索 空間范圍[1，carnumber]，種群迭代次數(shù)Max_iter，迭代計數(shù)器N_iter=l ; 步驟2 :初始化種群并計算適應(yīng)度值，采用均勻分布函數(shù)隨機產(chǎn)生size個nd維搜索空間范 圍為[1，carnumber]的寄生巢，記第i個寄生巢位置為
，并對每個寄生巢用ceil函數(shù)進(jìn)行取整（SP
,以保證每個客戶點由一輛 車進(jìn)行服務(wù)，并計算其對應(yīng)的適應(yīng)度值
； 步驟3 :執(zhí)行寄生巢的levy游走操作，采用、Y; X;:十十Ltn:r U 更新方式產(chǎn)生新的寄生巢位置，并與執(zhí)行l(wèi)evy游走前的位置進(jìn)行比較，選擇位置較好的寄 生巢保留到下一代。
[0005] 步驟4 :執(zhí)行寄生巢被發(fā)現(xiàn)操作，產(chǎn)生隨機數(shù)若〖 >見，對該寄生巢進(jìn)行擾動 產(chǎn)生新的寄生巢，并與擾動前對應(yīng)的位置進(jìn)行比較，保留位置較好的寄生巢。
[0006] 步驟5 :執(zhí)行寄生巢變異操作，采用\ (吣2、mg (i滷卜丨》..\對寄生巢進(jìn)行變異 操作。
[0007] 步驟6 :動態(tài)調(diào)整發(fā)現(xiàn)概率，采用
動態(tài)調(diào)整寄生巢 被發(fā)現(xiàn)概率期中表示進(jìn)行第t次迭代是的發(fā)現(xiàn)概率；分別為最大發(fā) 現(xiàn)概率和最小發(fā)現(xiàn)概率;為最大迭代次數(shù);I為當(dāng)前迭代次數(shù)。此方法確保在算法的初 期，由于個體離最優(yōu)值的距離較遠(yuǎn)，需要較大的位置改變速率；在算法的后期，由于大多數(shù) 解聚集在最優(yōu)位置周圍，需要較小的位置改變速率。
[0008] 步驟7 :保留每次搜索的最優(yōu)位置及其適應(yīng)度，判斷搜索結(jié)果是否符合要求，若滿 λΕ
，則轉(zhuǎn)至Step 8,否則轉(zhuǎn)至Step 3. 步驟8 :輸出最優(yōu)寄生巢位置及其相應(yīng)的適應(yīng)度值，獲得最優(yōu)物流配送車輛路徑方案。
[0009] 進(jìn)一步，適應(yīng)度值的計算步驟如下： 步驟1 :由roadindex=unique (X)確定任意一個物流配送方案X所需要車輛，由 [row, car_index]=size (roadindex)確定車輛數(shù) car_index，設(shè)置適應(yīng)度值= (3,當(dāng)前 方案最優(yōu)配送路徑t〇tal_road ; 步驟2 :由subRout=find(Zx==roadindex(i))確定每輛車所服務(wù)的客戶點，并形成當(dāng) 前車輛按照配送編號大小所形成的一條配送路徑subRout ; 步驟3 :對每條配送路徑subRout采用2-opt算法進(jìn)行優(yōu)化，從而獲得單輛車配送的最 優(yōu)路徑road,并記錄此車輛配送路徑順序：total_road (subRout) =road; 步驟4 :計算當(dāng)前車輛最優(yōu)路徑road所經(jīng)歷路徑長度length ; 步驟5 :計算當(dāng)前車輛最優(yōu)路徑road經(jīng)過的客戶需求量之和sum_q ; 步驟6 :采用分段罰函數(shù)法懲罰載荷超出當(dāng)前車輛的最大載重，設(shè)懲罰量為：fp ; 步驟7 :計算當(dāng)前車輛最優(yōu)路徑road的適應(yīng)度值為：

步驟8:判斷11 cai;jndei，若滿足條件，則轉(zhuǎn)至步驟2,否則轉(zhuǎn)至步驟9; 步驟9:輸出方案X的適應(yīng)度值以及當(dāng)前方案最優(yōu)配送路徑total_road. 本專利采用改進(jìn)的布谷鳥算法規(guī)劃車輛派送進(jìn)行分組，然后采用2-opt算法對每條線 路進(jìn)行優(yōu)化以獲得每組內(nèi)的一條最優(yōu)配送線路。
[0010] 本專利為解決物流車輛配送優(yōu)化問題提供了一種可行且有效的解決方案，豐富了 求解物流配送路徑優(yōu)化問題的方法。
[0011]
【附圖說明】
[0012] 圖1為該算法求解物流配送車輛路徑問題的流程圖； 圖2為求解每個一個物流配送方案對應(yīng)適應(yīng)度值的流程圖。
【具體實施方式】
[0013] 下面通過附圖和具體實例對本發(fā)明的技術(shù)方案作進(jìn)一步地詳細(xì)地闡述，但本發(fā) 明的保護(hù)范圍并不限于此。
[0014] 本實施例的基于改進(jìn)布谷鳥算法的物流配送車輛路徑問題求解的實現(xiàn)方法。請參 見圖1，圖1是該算法的流程示意圖，包括以下步驟： ① 設(shè)置算法的參數(shù)。設(shè)置種群規(guī)模Size，服務(wù)客戶的數(shù)量nd，當(dāng)前求解問題所需車輛 數(shù)carnumber,設(shè)置車的載荷CarrayCarCan。在基本布谷鳥算法中寄生巢中鳥蛋被發(fā)現(xiàn)概 率通常被設(shè)置為一個常數(shù)，從而造成算法執(zhí)行基本布谷鳥算法的寄生巢被發(fā)現(xiàn)操作時，不 管是處于較優(yōu)位置還是較差位置的寄生巢都會以相同概率被替換，若值設(shè)置過小，則 在尋優(yōu)過程中較差的解收斂較慢，若值設(shè)置過大，較優(yōu)位置的解較難收斂于最優(yōu)解， 因此本發(fā)明采用一種動態(tài)的發(fā)現(xiàn)機制：
期中/5H 二（).95 ..二005，算法搜索空間范圍[1，carnumber]，種群迭代次數(shù) .〇從〈..............π.ι? Max_iter，迭代計數(shù)器t=l ; ② 初始化種群并計算適應(yīng)度值。計算配送中心以及各個客戶需求點之間運輸代價，本 實例中以各個點之間距離為目標(biāo)，其計算方式的偽代碼如下： for i=l:nd for j=l:nd cost(i, j) =sqrt ((xy(i, l)-xy(j, 1)) ~2+(xy(i, 2)-xy(j, 2)) '2); end end 其中xy為各個點的坐標(biāo)。
[0015] 采用均勾分布函數(shù)隨機產(chǎn)生size個nd維搜索空間范圍為[I, ca